💡 站外导读：在AIGC浪潮席卷全球的当下，多模态生成模型正从单一文生图向更复杂的图像编辑与上下文理解演进。然而，开源社区缺乏一个既能高质量生成图像，又能精准执行复杂编辑指令的统一模型。开发者和设计师常常需要在不同工具间切换，效率低下且效果参差。北京智源人工智能研究院最新推出的OmniGen2，正是为解决这一核心痛点而来。它是一个开源的多模态生成模型，旨在通过一个统一的框架，覆盖文本生图、指令编辑、上下文生成等多种任务，降低AI内容创作的门槛。

OmniGen2 是北京智源人工智能研究院推出的开源多模态生成模型。能根据文本提示生成高质量图像，支持指令引导的图像编辑，比如修改背景或人物特征等。OmniGen2 采用双组件架构，结合视觉语言模型（VLM）和扩散模型，实现对多种生成任务的统一处理。优势在于开源免费、高性能以及强大的上下文生成能力，适用于商业、创意设计和研究开发等场景。

OmniGen2的主要功能

• 文本到图像生成：能根据文本提示生成高保真度和美观的图像。在多个基准测试中表现出色，例如在 GenEval 和 DPG-Bench 上的得分分别为 0.86 和 83.57。

• 指令引导的图像编辑：支持复杂的指令驱动的图像修改，包括局部修改（如改变衣服颜色）和整体风格转换（如将照片转换为动漫风格）。在图像编辑任务中，OmniGen2 在多个基准测试中实现了编辑准确性与图像保真度的平衡。

• 上下文生成：能处理和灵活结合多种输入（如人物、参考物体和场景），生成新颖且连贯的视觉输出。在 OmniContext 基准测试中，OmniGen2 在视觉一致性指标上超越现有开源模型 15% 以上。

• 视觉理解：继承了 Qwen-VL-2.5 基础模型强大的图像内容解析和分析能力。

OmniGen2的技术原理

• 双路径架构：OmniGen2 采用了独立的文本和图像解码路径，分别处理文本和图像模态。文本生成部分基于 Qwen2.5-VL-3B 多模态语言模型（MLLM），图像生成通过一个独立的扩散 Transformer 模块完成。避免了文本生成对图像质量的负面影响。

• 扩散 Transformer：图像生成部分采用了一个 32 层的扩散 Transformer，隐藏维度为 2520，总参数量约 40 亿。该模块使用修正流（Rectified Flow）方法进行高效图像生成。

• Omni-RoPE 位置编码：OmniGen2 引入了一种新颖的多模态旋转位置嵌入（Omni-RoPE），将位置信息分解为序列和模态标识符、二维高度坐标和宽度坐标。能精确编码图像中每个位置的信息，同时支持多图像空间定位和身份区分。

• 反思机制：OmniGen2 设计了专门的反思机制，用于提升生成图像的质量和一致性。模型能自我评估生成结果，在多个轮次中进行改进。

• 训练策略：OmniGen2 采用分阶段训练方法，首先在文字转图像任务上预训练扩散模型，然后引入混合任务训练，最后进行反思能力的端到端训练。

• 数据处理：训练数据从视频中提取，经过多重过滤，包括 DINO 相似性过滤和 VLM 一致性检查，确保数据质量。

OmniGen2的项目地址

• 项目官网：https://vectorspacelab.github.io/OmniGen2/
• Github仓库：https://github.com/VectorSpaceLab/OmniGen2
• arXiv技术论文：https://arxiv.org/pdf/2506.18871

OmniGen2的应用场景

• 设计概念生成：设计师可以通过简单的文本描述，快速生成设计概念图和草图。
• 故事创作辅助：内容创作者可以根据故事的情节和角色描述，生成相应的场景和角色图像。
• 视频制作素材生成：创作者可以生成各种场景、角色动作和特效图像，然后将其导入到视频编辑软件中，用于制作动画、特效视频或实拍视频的补充素材。
• 游戏场景和角色生成：开发者可以通过文本描述快速生成游戏中的场景和角色。
• 教学资源生成：教育工作者可以根据教学内容生成相关的图像和示意图。例如在讲解历史事件时，生成与之相关的古代战争场景或历史人物图像。